一种融入实质模型的链式方程多重插补堆叠方法
统计方法学
2019-10-11 v1
摘要
链式方程多重插补（MICE）已成为处理缺失数据的常用方法。应用 MICE 的一个核心挑战是确定如何将结果信息纳入协变量插补模型，尤其是对于复杂结果。通常我们有一个特定的分析模型，并希望确保插补模型与分析模型之间的相容性。我们提出了一种将分析模型直接纳入缺失数据处理的新型策略。在我们提出的方法中，缺失协变量的多重插补在不使用结果信息的情况下获得。然后我们利用插补堆叠策略，将多重插补相互堆叠以创建一个大数据集。分析模型随后通过权重纳入。我们不使用多重插补合并规则，而是通过在堆叠数据集上拟合分析模型的加权版本来获得参数估计。我们提出了一种用于获取该堆叠加权分析标准误的新估计量。我们的估计量基于 Louis (1982) 的观测数据信息原理，并可更普遍地应用于分析堆叠多重插补。我们分析堆叠多重插补的方法，是首个具有充分理论动机、可轻松应用于多种标准分析模型和缺失数据设置的方法。在模拟中，当分析模型设定正确时，所提策略产生了无偏参数估计。我们开发了 R 包 StackImpute，使得该插补方法可轻松用于许多标准分析模型。
引用
@article{arxiv.1910.04625,
title = {A stacked approach for chained equations multiple imputation incorporating the substantive model},
author = {Lauren Beesley and Jeremy M G Taylor},
journal= {arXiv preprint arXiv:1910.04625},
year = {2019}
}